RESUMEN Una de las limitaciones del estudio de series temporales mediante la modelización ARIMA, y en concreto a través del enfoque BoxJenkins, es la dificultad de identificar correctamente el modelo y, en su caso, seleccionar el más adecuado. El procedimiento de filtrado estándar para estimar el ciclo de negocios puede requerir algunas correcciones previas de las series, dado que, de otro modo, se podrían producir graves distorsiones en los resultados. Un destacado ejemplo es la corrección por outliers que es tratada, junto con el resto de ajustes previos. Los outliers denotan observaciones atípicas que, hablando en general, no pueden ser explicadas por el modelo ARIMA y violan sus subyacentes supuestos de normalidad. Como los modelos ARIMA utilizados frecuentemente en series temporales están diseñados para recoger la información de procesos que tienen una cierta homogeneidad, los outliers y los cambios estructurales influyen en la eficiencia y la bondad del ajuste de dichos modelos. Siguiendo el trabajo seminal de Fox, cuatro diferentes tipos de outliers han sido propuestos, junto con diversos procedimientos para detectarlos. Los cuatro tipos de outliers que se han considerado en la literatura son: el outlier aditivo (AO), el cambio en nivel (LS), el cambio temporal (TC) y el outlier innovacional (OI). El presente estudio hace una comparación de los programas TRAMO/SEATS y X12ARIMA, ampliamente usados (y recomendados) por Eurostat y el Banco Central Europeo, junto con X12ARIMA. La comparación es importante para dilucidar la conveniencia de promover el uso de uno de los dos, en aras a armonizar el tratamiento de series temporales. Ambos programas son altamente configurables y disponen de una infinidad de parámetros que el usuario puede determinar. Para ilustrar el trabajo se realiza, en primer lugar, un experimento con series generadas, en el cual se va a trabajar con un total de nueve mil series ruido blanco simuladas a partir de una función generadora de datos aleatorios, resultado de considerar tres modelos econométricos distintos y, a su vez, tres periodos muestrales distintos en cada caso (60, 120 y 300 observaciones). Además, se va a forzar la presencia de los tres tipos de outliers (AO, LS, TC) con tres niveles de intensidad del impacto. Para cada uno de estos casos concretos se estudiarán un total de cien series. En segundo lugar, se trabaja con series reales donde se trata de analizar la incidencia del shock provocado por un acto terrorista, sobre la actividad turística en una determinada zona. Para ello se realiza un estudio detallado de las pernoctaciones totales de viajeros en establecimientos hoteleros según el país de procedencia. El marco teórico utilizado se inspira en los trabajos de Enders et al. (1992) y Drakos et al. (2001), mientras que la metodología utilizada se inspira en el análisis de series temporales, en concreto se sigue la propuesta de A. Maravall y V. Gómez (1996). Dentro de las acciones terroristas, destacan las acciones sobre la actividad turística en general y sobre el sector del transporte en particular. Dichos sectores son los más vulnerables ante las amenazas de inseguridad. Tanto en el experimento con series generadas como en el experimento con series reales se procede a analizar las series con ambos programes, es decir, TRAMO/SEATS y X12ARIMA para comparar los resultados y así poder establecer diferencias entre los programas. __________________________________________________________________________________________________

One of the limitations of using ARIMA modelling, and more specifically the Box-Jenkins approach, to study time series is how difficult it is to correctly identify the model and, where applicable, to choose the most suitable one. The standard filtering process used to estimate the business cycle can require the prior correction of some series, due to the fact that if this were not the case, results could be seriously distorted. One outstanding example is outlier correction. Outliers denote unusual observations that, generally speaking, cannot be explained by the ARIMA model and violate its underlying normality assumptions. As the ARIMA models frequently used in time series are designed to capture information in processes that have some degree of homogeneity, their efficiency and goodness-of-fit can be influenced by outliers and structural changes. Following the seminal research by Fox, four different types of outliers are proposed, together with various processes to detect them. The four types of outliers contemplated in the literature are: Additive Outlier (AO), Level Shift (LS), Temporary Change (TC) and Innovational Outlier (IO). In order to illustrate this research, in the first place, an experiment is carried out using nine thousand white noise series simulated using a random data generation function after considering three different econometric models and, at the same time, three different sample periods in each case (60, 120 and 300 observations). Furthermore, the presence of three types of outliers will be forced (AO, LS and TC) with three different levels of impact. A total of 100 series will be studied for each of these specific cases. In the second place, real series are used to analyse the influence of a shock caused by a terrorist attack on tourism activity in a given area. In order to do so, we carry out a detailed study of travellers total overnight stays in hotels by country of origin. Both programmes, that is, TRAMO/SEAT and X12ARIMA, are used to analyse data in both the experiment with generated series and that using real series in order to compare results and hence establish differences between the two.